ロボットの触覚研究に、一般向けの3Dプリンターが使われている。
米ノースウェスタン大学の研究チームは、3D Calという仕組みを使い、3Dプリンターで触覚センサーを繰り返し押せるようにした。決められた位置と深さでセンサーを押し、カメラ画像と実際の押し込み量を同時に記録する。
研究チームは、光学式触覚センサーDIGITとGelSight Miniから、それぞれ約3万6000枚の画像を集めた。画像と実測した押し込み深さを対応させてモデルを学習させたところ、学習時に使っていない物体の表面を再構成した際の平均誤差は、それぞれ約0.16ミリメートルと0.21ミリメートルだった。1
なぜセンサーを何万回も押す必要があるのだろうか。
光学式触覚センサーの先端には、ゴムのように押されると変形し、元の形に戻る素材がある。物体が触れると表面が変形し、内部のカメラがその様子を読み取る。
しかし、画像に写った模様だけでは、実際にどれだけ押し込まれたかは分からない。画像の変化と押し込み量をあらかじめ対応させる必要がある。目盛りのない物差しに目盛りを刻むようなものだ。
これを**校正（calibration）**という。ロボットが触れた物体の状態を推定するには、まず指先の信号と実際の変形との対応関係が必要になる。
ところが、その目盛りも使ううちに変わり得る。
データを集める指先そのものが変わる
触覚センサーは物体を直接押したりこすったりして測定する。指先の素材が摩耗したり変形したりすると、同じ物体に触れても以前とは違う信号が出ることがある。
2026年、コットレルらの研究チームは光学式触覚センサーを繰り返し押す厳しい耐久試験を行った。市販のGelSight MiniとDIGITでは、表面の膜が破れた。2
目に見える損傷がなくても、素材の硬さや変形の仕方は変わり得る。その場合、以前の校正値が今も正しいか確認する必要がある。センサーを分解せずに素材の機械的性質を測り、校正値を更新する方法も研究されている。3
保存したデータは変わらなくても、そのデータを生み出すセンサーは変わり得る。
センサーの構造まで異なれば、問題はさらに複雑になる。
同じ物に触れても信号は違う
GelSight系のセンサーは指先表面の変形をカメラで読む。TacTipは内部に並んだ小さな突起の動きを追跡する。uSkinは磁場の変化から接触によって生じる力を測る。
同じ物体を同じ力で押しても、センサーが出力する信号は異なる。あるセンサーの信号から力を推定するよう学習したモデルを、別のセンサーにそのまま使いにくいのはこのためだ。
キングス・カレッジ・ロンドンなどの研究チームが開発したGenForceは、この違いを埋めようとする。4
研究者らは各センサーの接触信号をマーカーの配置パターンとして表し、センサーごとに異なるパターンの対応を学習した。これにより、あるセンサーで学んだ力の推定方法を別のセンサーに応用できた。
両センサーの信号を結び付けるためのデータは必要だったが、力の実測値を正解データとして付ける必要がある新規の測定例を大幅に減らせた。
指先の素材の硬さが違うことで生じる力の推定誤差も、部分的に減らした。
GenForceが主に別のセンサーへ移すのは力を推定する能力だ。物体をつかむ動作や滑りの補正にも使われたが、ロボットの操作動作を丸ごと別のロボットへ移すものではない。
物体を扱うには、どこにどれほど強く触れたかを知るだけでなく、それに応じて指をどう動かすかも決めなければならない。
触覚データも数百万規模になった
2009年に登場した**ImageNet（イメージネット）**は、多くの研究者が同じ写真を使ってAIモデルを学習させ、性能を比べられるようにした大規模画像データベースだ。
触覚の分野でもデータの大規模な収集が進んでいる。
Sparshは46万枚を超える触覚画像から、複数の課題で活用できる特徴を学習した。5 TacXは接触を伴う約100万件の相互作用を使い、画像に音・動き・圧力の情報を組み合わせて表現を学習した。6
2026年発表のAnyTouch 2は、異なる光学式触覚センサーのデータをまとめて学習する方法だ。利用したデータセットToucHDには、実際の接触とシミュレーションを合わせて約243万件の触覚サンプルが含まれる。7
ただし、数え方は研究によって異なる。画像の枚数を数える場合もあれば、接触を伴う動作の回数や、画像フレームと触覚・力の測定ペアを数える場合もある。
触覚研究の難しさを、単なるデータ不足だけでは説明できなくなった。
問われるのは、あるロボットの指先で集めたデータを、別の指先でも使えるかどうかだ。
人の手からロボットの手へ
人が電球をねじ込む場面を考えてみよう。
指で電球を持ち、滑らないよう力を調節し、少しずつ回す。指先に感じる圧力や接触の変化に合わせて動きを変えている。
この経験をロボットに移すには、二つの違いを乗り越えなければならない。
人が装着する触覚グローブとロボットのセンサーは、同じ接触を異なる信号として記録する。人とロボットでは指の長さも関節の構造も違う。
2026年のロボット工学国際会議「Robotics: Science and Systems（RSS）」で発表されたTactAlignは、人とロボットの触覚信号を結び付ける方法を提案した。8
研究者らは、人とロボットが物を扱うとき、手と物体がどう動くかを調べた。そこから接触同士の対応を推定し、異なるセンサーの信号を比較できるように学習させた。
電球をねじ込む実験では、人の実演20件を使った。以前の課題で学習した触覚信号の対応付けを再利用したため、電球の課題に特化したロボット実演は追加せずに済んだ。
研究チームが行った10回の評価ではすべて成功した。
人の指先で得た接触経験を、構造の違うロボットの手でも活用できた。
2026年10月にプレプリントとして公開されたTACROSSは、人の触覚データがロボットの学習をどう支援できるかを調べた。9
人のグローブは押されると変化する電気抵抗を、ロボットのセンサーは静電容量の変化を読み取る。
研究者らは数値そのものを直接そろえるのではなく、接触が始まる時点や押す強さの変化など、双方に共通する特徴を見つけて信号を結び付けた。
4種類の操作課題でロボットの実演記録30件だけを使った場合、平均成功率は51.3%だった。同じロボット実演30件に人の実演150件を追加し、TACROSS全体の変換方法を用いると91.9%になった。
ロボットの実演件数を増やさずに成功率が上がった。人の触覚情報は学習を助けたが、ロボットが取るべき動作を学ぶためには、引き続きロボット自身の実演を使った。
異なる指先の信号を結び付けることで、ロボットを直接動かして集める学習データを減らせる可能性がある。
特定のロボットを使わずに集めた1万時間
2026年10月にプレプリントで報告されたTacClaw-Infinityは、経験の収集方法に別の選択肢を示した。10
研究者らが使ったTacClawは、人が手に持って動かすグリッパー型の装置だ。物をつかんで移動させる際、カメラ画像、触覚信号、手の動きを同時に記録する。
研究チームは特定の対象ロボットを操作せずに、1万時間超の操作データと100万件超の操作エピソードを収集したと報告した。ただし、2026年10月21日時点で一般公開が案内されていたのは最初の1000時間分で、収集総量とは異なる。
このデータで学習したモデルを、種類の異なる三つのロボットで試験した。各ロボットで別々の実演データを集めなくても、物を積んだり分類したり、表面を拭いたりする課題を実行できた。
触覚情報を使ったモデルは、使わなかったモデルより平均成功率が高かった。
特定の対象ロボットを使わずに集めた経験が、異なる種類のロボットの学習にも役立つ可能性を示した結果だ。
ただし、手持ち装置で記録した動きを各ロボットが実行できるかは、別途確認する必要があった。
接触を理解することと、その接触に応じた動きを実行することは別の問題だ。
データを大量に蓄えるだけでは足りない
ここまでの研究を合わせて考えると、接触経験の共有には三つの違いが関わっている。
第一に、センサーごとに異なる信号を結び付ける必要がある。同じ接触でも測定方式によって記録は変わる。
第二に、指や関節の構造が違えば、動きも合わせ直さなければならない。接触を理解しても、別のロボットが同じ動きをそのまま再現できるとは限らない。
第三に、センサーは使ううちに変化する。指先の硬さの違いによる力の推定誤差を減らす方法は現れたが、実作業中の摩耗を検知して校正値を更新する過程には、さらに検証が必要だ。
ImageNetが重要だったのは、写真が大量にあったからだけではない。同じデータを研究者が共有し、そのデータから学んだ結果を比較できたからだ。
触覚データも急速に増えている。しかし、収集した指先と利用する指先が異なれば、測定信号と動きの両方を合わせる必要がある。
ロボットの触覚にとって重要なのは巨大なデータを一か所に大量保存することではなく、ある指先が得た接触経験を別の指先でも再利用できるようにすることだ。
次の記事もお楽しみください
CAUSIFOLDの新しい記事やお知らせをSubstackでご覧いただけます。
Substackで購読する ↗注
1. Rohan Kota et al., “3D Cal: An Open-Source Software Library for Depth Reconstruction on Vision-Based Tactile Sensors”, IEEE Robotics and Automation Letters 11(5), 6248–6255 (2026). DIGITで36,630枚、GelSight Miniで36,270枚を収集。未知の物体を再構成した際の平均誤差は156μmと205μm。
2. F. Richard Cottrell et al., “A Durable Vision-Based Tactile Fingertip for Robotic Manipulation”, arXiv:2608.24242 (2026). 39.2Nの荷重を毎分45回与えた過酷試験では約25〜35分後に市販センサーの表面膜に最初の破れが見られた。実際の使用寿命を示すものではない。
3. Can Zhao et al., “In-situ Mechanical Calibration for Vision-based Tactile Sensors”, ICRA (2023). センサーを分解せずに、弾性体のヤング率とポアソン比を推定する方法。
4. Zhuo Chen et al., “Training tactile sensors to learn force sensing from each other”, Nature Communications 17, 2101 (2026). GelSight、TacTip、uSkinなどで試験。位置を対応させたデータ量は、力の正解を付けた画像の10%未満。硬さの異なる7種類のシリコーン材料を用いた補正実験では、垂直方向の力の平均誤差が硬い側から柔らかい側への移行で30%、逆方向で16%低下した。長期間の摩耗を自動追跡した結果ではない。
5. Carolina Higuera et al., “Sparsh: Self-supervised touch representations for vision-based tactile sensing”, CoRL 2024, PMLR 270, 885–915 (2025). 46万枚を超える光学式触覚画像を利用。
6. Carolina Higuera et al., “Tactile Beyond Pixels: Multisensory Touch Representations for Robot Manipulation”, CoRL 2025, PMLR 305, 105–123. Digit 360で収集した約100万件の接触を伴う動作記録を利用。プレプリント名はSparsh-X。
7. Ruoxuan Feng et al., “AnyTouch 2: General Optical Tactile Representation Learning For Dynamic Tactile Perception”, ICLR (2026). ToucHDの2,426,174件の触覚サンプルは、シミュレーションの接触フレーム1,118,896件、実際の操作フレーム584,842件、触覚・力の測定ペア722,436件から成る。独立した接触事象の総数ではない。
8. Youngsun Wi et al., “TactAlign: Human-to-Robot Policy Transfer via Tactile Alignment”, Robotics: Science and Systems (2026). プレプリント。人のOSMOグローブとロボットのXelaセンサーはともに磁気を用いるが、検出原理や信号構造が違う。電球の課題では先行課題で学んだ対応方法を再利用。人の実演20件、当該課題専用のロボット実演0件で10回の評価すべてに成功した。
9. Bo Chen et al., “TACROSS: An Efficient and Low-Cost Scalable Human Touch System Across Heterogeneous Tactile Sensors for Dexterous Robot Learning”, 2026年10月公開のプレプリント。四つの課題の平均成功率はロボット実演30件のみで51.3%、同じ30件と人の実演150件を使い全手法を適用した場合91.9%。人の触覚情報を除くと73.1%、信号の対応付けを除くと49.4%。改善分のすべてを触覚入力だけに帰することはできない。
10. Fucai Zhu et al., “TacClaw-Infinity: A Large-Scale Vision-Tactile-Language-Action Dataset for Dexterous Manipulation”, 2026年10月公開のプレプリント。著者は1万時間超、100万エピソード超、10億フレーム超を収集したと報告。2026年10月21日時点で公開データは最初の1000時間分の提供を案内している。収集総量、公開量、個別学習量は異なる。三種のロボットと三課題における著者報告の平均成功率は、触覚追加前後で二系列それぞれ50.0%→74.0%、46.0%→72.7%。研究用コードには動作再生・運動学的検査用ツールがあるが、政策学習・課題評価コードは今後の公開予定とされる。